摘要：Apple Siri失败了，但越来越多的“ AI Siri”获得了融资。在过去的六个月中，曲目“ AI声音”一直是密集的融资。特别值得注意的是，这些融资大多数都是庞大的，并且投资于早期团队。例如，很快，AI语音应用程序WISPR流量通过“无声意见”完成了3,000万美元的融资，并结合了5600万美元的融资； Cartesia语音模型公司在3月完成了6400万美元的A系列融资，结合了9100万美元； AI语音合成公司在一月份宣布，它完成了1.8亿美元的C融资，并赞赏超过30亿美元。同时，无论是Meta，OpenAI，Google等巨型技术，还是Minimax等初创公司，它们都非常强烈地发布了他们自己的语音模型还是语音产品。 Siri还透露了诸如Chatgpt或Claude之类的模型以维护开发语音接触。这些新闻毫无例外地指出了AI声音的普及。为什么在过去的六个月中，AI语音场爆炸？ Shengzhi副总裁Huang Yunhe认为，语音对话很快从应用程序在AI期间存在的入口级别的功能模块中迅速出现，并与大型模型的支持有着巨大的关系。在智能扬声器非常受欢迎的时候，我们熟悉的大多数智能扬声器品牌都配备了声音和Zhi的远场声学互动技术，例如xiao AI，tmall genie，xiaodu扬声器等。一词“ Little Love”一词确实来自很好。该公司成立于2016年，探索了声学 + AI的横截面。但是，作为一家在幕后提供AI声学技术的公司，在大型模型接近之后，它决定无疑将自己投入到开发自己的C-End产品上。毫无疑问，他们在T中看到了新的商机他的“大型模型 +语音”浪潮及其AI耳机目前已发送到近100万套。此前，Shengzhi Huang Yunhe的Geek Park兼副总裁谈到了AI语音市场爆炸的逻辑，语音接触的“块”点以及它将如何影响我们的未来。以下内容是根据Huang Yunhe在Heshengzhi的角色中组合的：AI发音的想象力比Siri ｜图片来源：Internet AI，为什么声音为什么今天爆炸？在过去的两年中，更多，Moremore和更多人AI的声音启动团队获得了大量的融资，并以集中的方式爆炸。重要的驱动因素之一是，大型模型可以首次“编程”声音的基本能力。 “可编程”一词是指通过清晰的接口和逻辑可以称呼，合并，修改和控制的功能或某些东西。以前，本文本可以编程，图像可以被编程，即使视频也进行了编程（例如视频编辑软件）。但是声音不仅仅是“输入”或“输出”介质，而且内部复杂的结构和信息是困难的直接“程序”和“理解”软件。传统的语音识别更多是关于将声音转换为文本，然后处理文本。深圳和成都的许多团队曾经制作语音标签。获得声音后，他们可以将它们转换为文本并将其放在不同的标签上，例如不同属性和意图的标签。大型模型到达后，可以将标记的任务赋予大型模型，该模型比大量的Manu -Manu团队更快，准确。过去的NLP后面，有一组勤奋的操作将它们标记在那里，从而使AI系统能够识别每个句子的目的。以前，每当将功能添加到声音的发展中时，就需要写作E从一开始，这是及时而勤奋的劳动。例如，如果您希望明智的扬声器支持“订单要点”，则需要构建一组单独的移动语音和语义逻辑，这是昂贵且漫长的周期。现在可以解决AI大型模型。更重要的是，通过大型模型依靠对多模式数据的深入了解，以及对声学信号的详细分析，除了文本信息之外，听起来本身的信息越多，就开始直接捕获，理解和通过AI系统“编程”。此可编程性意味着AI可以处理听起来像数据。它可以研究频率，振幅和声波，剥夺情感特性，确定不同的声音来源，声音资源，甚至猜测您的目标。目前，声音不再只包含“您所说的话”，而是“您说的”，“在哪里说”，谁说“”和“在说什么之后对您的期望”。作为一个Sult，声音成为了真正的参与引擎。真正的声音互动不是“声音”，而是“声音”。实际上，许多人认为语音互动是“声音”。但是实际上，语音一词是一个狭窄的概念。 “声音”包含更多丰富的元素：音调，音调，节奏，情绪和更重要的声音。叹息，笑声，蛋，蛋糕等）。例如，当您咳嗽时，与AI交谈时，它可以识别咳嗽，然后告诉您更多的水。例如，当您在咖啡馆里说：“帮助我找到一个安静的地方。” AI不仅需要了解您的说明，而且还要从背景声音中判断您当前的环境，以推荐附近的图书馆。当我说“下一代对话和接触的入口不是“声音”，而是“声音”时，我的意思是，AI系统不再仅仅依靠您所说的话”，而是能够充分看到和理解环境“声学场景”中的所有关键元素。只有当Ai c“声音”中包含的充分理解和解析的多维信息，即使大公司易于赚钱，也不会使用语音接触的深度需求。 "" Listening clearly "is subject to physical forces. Thick, and sound can indicate excessive penetration A acoustic level is really necessary, such as suppressing environmental noise, suppression of noise flooring, suppressing moaning, suppressing falling, etc. Maintaining a “UI interface”, what will look like interThis face? Elements can include: emotional recognition: AI determines the user's emotional state by examining the tone, volume, and speed of speech. For example, your voice is颤抖，AI可能认为您是紧张的或悲伤的。是的，您了解您说的话，但也了解您想做什么。例如，如果您说“播放音乐”，AI决定根据自己的情绪弹奏石头或古典作品。语音纹理识别：可以通过唯一的Wave Sound属性来识别不同的用户。例如，在家中的明智扬声器可以自动切换到“儿童模式”模式，这为孩子的声音提供了安全的响应。情绪情绪：AI反应需要情感表达。例如，说“别担心，我会帮助您解决它”，而不是机械“好的，处理”。这些要素的背后是从“功能取向”到“情感取向”的转变，这将伤害人们。这种类型的接触可以显着提高长期接触的质量和亲密关系。不仅如此，从狭窄的“声音”感到广泛的“声音”感，当AI不仅可以收到用户说明，而且可以从整个物理世界中获得实时反馈，我们可以速度“声学世界模型”。 “声学世界模型”可以理解声音发电，传播和与物理世界互动的基本定律。它不仅必须“清楚地听”和“理解”，而且还具有“声学常识”和“声学推理”的能力：它可以证明这本书是在地面上降临还是从声音中倒下的盒子；它可以通过Echo来判断房间的大小和开放性；它将更好地理解“从远到附近的脚步”背后的运动逻辑。将来，当这种声学世界模型与视觉和语言模型深入融合时，具体的智能机器人将不再是“聋哑”和冷的。这就是我们要做的。